技术标签: matlab DeepLearning工具箱 深度学习 开发语言
2-D 卷积层
2-D 卷积层将滑动卷积滤波器应用于 2-D 输入。该层通过沿输入方向垂直和水平移动滤波器并计算权重和输入的点积,然后添加偏置项来卷积输入。
layer = convolution2dLayer(filterSize,numFilters)
layer = convolution2dLayer(filterSize,numFilters,Name,Value)
layer = convolution2dLayer(filterSize,numFilters)
创建一个 2-D 卷积层,并设置 FilterSize
和 NumFilters
属性。
名称-值对参数
使用逗号分隔的名称-值对参数指定要沿图层输入边缘添加的填充的大小,或设置 参数和初始化、学习速率和正则化以及名称
属性。将名称括在单引号中。Stride``DilationFactor``NumChannels
示例:convolution2dLayer(3,16,'Padding','same')
创建了一个2-D卷积层,其中包含16个大小为[3 3]
的过滤器和“相同”
的填充。在训练时,软件计算并设置填充的大小,以便图层输出具有与输入相同的大小。
Padding
— 输入边填充 [0 0 0 0]
(默认) |非负整数的向量 |“相同”
输入边填充,指定为由以下值之一组成的逗号分隔对:'Padding'
'same'
— 添加软件在训练或预测时计算的大小填充,以便在步幅等于 1 时输出与输入具有相同的大小。如果步幅大于 1,则输出大小为 ceil(inputSize/stride),
其中 inputSize
是输入的高度或宽度,步幅
是相应维度中的步幅。如果可能的话,该软件会在顶部和底部以及左侧和右侧添加相同数量的填充。如果必须垂直添加的填充具有奇数值,则软件会在底部添加额外的填充。如果必须水平添加的填充具有奇数值,则软件会在右侧添加额外的填充。p``p
[a b]``a``b
[t b l r]``t``b``l``r
**示例:**在输入的顶部和底部添加一行填充,在输入的左侧和右侧添加一列填充。'Padding',1
**示例:**添加填充,使输出与输入具有相同的大小(如果步幅等于 1)。'Padding','same'
FilterSize
— 两个正整数的滤波器 向量的高度和宽度筛选器的高度和宽度,指定为两个正整数的向量,其中 是高度,是宽度。 定义输入中神经元连接到的局部区域的大小。[h w]``h``w``FilterSize
创建图层时,可以指定为标量以使用相同的高度和宽度值。FilterSize
**示例:**指定高度为 5、宽度为 5 的筛选器。[5 5]
NumFilters
— 滤波器 数量正整数此属性是只读的。
筛选器数,指定为正整数。此数字对应于卷积层中连接到输入中相同区域的神经元数。此参数确定卷积层输出中的通道数(特征映射)。
数据类型: | single
|double
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
|
Stride
— 遍历输入 的步长 [1 1]
(默认)|两个正整数的向量用于垂直和水平遍历输入的步长,指定为两个正整数的向量,其中是垂直步长,是水平步长。创建图层时,可以指定为标量,以便对两个步长使用相同的值。[a b]``a``b``Stride
**示例:**指定垂直步长 2,水平步长指定 3。[2 3]
DilationFactor
— 膨胀卷 积因子 [1 1]
(默认)|两个正整数的向量膨胀卷积因子(也称为 atrous convolution),指定为两个正整数的向量,其中是垂直膨胀,是水平膨胀。创建图层时,可以指定为标量,以便对水平和垂直扩张使用相同的值。[h w]``h``w``DilationFactor
使用膨胀卷积来增加层的接受场(层可以看到的输入面积),而不增加参数或计算的数量。
该层通过在每个滤镜元素之间插入零来扩展滤镜。膨胀因子决定了对输入进行采样的步长,或者等效地决定了滤波器的上采样因子。它对应于有效过滤器尺寸(过滤器尺寸 – 1).*膨胀因子+ 1。例如,具有膨胀因子的 3 x 3 滤波器等效于元素之间为零的 5 x 5 滤波器。[2 2]
例:[2 3]
PaddingSize
— 填充 大小 [0 0 0 0]
(默认值) |四个非负整数的向量应用于输入边框的填充大小,指定为四个非负整数的向量,其中应用于顶部的填充、应用于底部的填充、应用于左侧的填充以及应用于右侧的填充。`
创建图层时,请使用名称-值对参数指定填充大小。'Padding'
**示例:**在输入的顶部和底部添加一行填充,在输入的左侧和右侧添加两列填充。[1 1 2 2]
PaddingMode
— 确定填充大小 “手动”
(默认)|的方法“相同”
用于确定填充大小的方法,指定为 或 。'manual'``'same'
软件会根据您在创建图层时指定的值自动设置 的值。PaddingMode``'Padding'
'Padding'``PaddingMode``'manual'
ceil(inputSize/stride),
其中 inputSize
是输入的高度或宽度,步幅
是相应维度中的步幅。如果可能的话,该软件会在顶部和底部以及左侧和右侧添加相同数量的填充。如果必须垂直添加的填充具有奇数值,则软件会在底部添加额外的填充。如果必须水平添加的填充具有奇数值,则软件会在右侧添加额外的填充。'Padding'``'same'``PaddingMode``'same'
Padding
— 填充 大小 [0 0]
(默认值) |两个非负整数的向量注意
Padding`属性将在将来的版本中删除。请改用。创建图层时,请使用名称-值对参数指定填充大小。`PaddingSize``'Padding'
垂直和水平应用于输入边框的填充大小,指定为两个非负整数的向量,其中填充应用于输入数据的顶部和底部,以及应用于左侧和右侧的填充。[a b]``a``b
**示例:**在输入的顶部和底部添加一行填充,在输入的左侧和右侧添加一列填充。[1 1]
PaddingValue
— 值以填充数据 0(默认值)|标量|“对称包含边缘”
|“对称排除边缘”
|“复制”
要填充数据的值,指定为下列值之一:
PaddingValue |
描述 | 例 |
---|---|---|
标量 | 具有指定标量值的焊盘。 | [ 3 1 4 1 5 9 2 6 5 ] → [ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 1 4 0 0 0 0 1 5 9 0 0 0 0 2 6 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ] \begin{bmatrix} 3 & 1 & 4 \\ 1 & 5 & 9 \\ 2&6&5 \end{bmatrix}\rightarrow \begin{bmatrix} 0&0&0 &0&0&0&0\\0&0&0&0&0&0&0\\0&0&3 & 1 & 4&0&0\\0&0& 1 & 5 & 9 &0&0\\0&0&2&6&5&0&0\\0&0&0 &0&0&0&0\\0&0&0&0&0&0&0 \end{bmatrix} ⎣⎡312156495⎦⎤→⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡0000000000000000312000015600004950000000000000000⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤ |
'symmetric-include-edge' |
使用输入的镜像值(包括边缘值)进行填充。 | [ 3 1 4 1 5 9 2 6 5 ] → [ 5 1 1 5 9 9 5 1 3 3 1 4 4 1 1 3 3 1 4 4 1 5 1 1 5 9 9 5 6 2 2 6 5 5 6 6 2 2 6 5 5 6 5 1 1 5 9 9 5 ] \begin{bmatrix} 3 & 1 & 4 \\ 1 & 5 & 9 \\ 2&6&5 \end{bmatrix}\rightarrow \begin{bmatrix} 5&1&1&5&9&9&5\\1&3&3&1&4&4&1\\1&3&3&1&4&4&1\\5&1&1&5&9&9&5\\6&2&2&6&5&5&6\\6&2&2&6&5&5&6\\5&1&1&5&9&9&5\end{bmatrix} ⎣⎡312156495⎦⎤→⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡5115665133122113312215115665944955994495595115665⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤ |
'symmetric-exclude-edge' |
使用输入的镜像值(不包括边缘值)进行填充。 | [ 3 1 4 1 5 9 2 6 5 ] → [ 5 6 2 6 5 6 2 9 5 1 5 9 5 1 4 1 3 1 4 1 3 9 5 1 5 9 5 1 5 6 2 6 5 6 2 9 5 1 5 9 5 1 4 1 3 1 4 1 3 ] \begin{bmatrix} 3 & 1 & 4 \\ 1 & 5 & 9 \\ 2&6&5 \end{bmatrix}\rightarrow \begin{bmatrix} 5&6&2&6&5&6&2\\9&5&1&5&9&5&1\\4&1&3&1&4&1&3\\9&5&1&5&9&5&1\\5&6&2&6&5&6&2\\9&5&1&5&9&5&1\\4&1&3&1&4&1&3 \end{bmatrix} ⎣⎡312156495⎦⎤→⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡5949594651565121312136515651594959465156512131213⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤ |
'replicate' |
使用输入的重复边框元素进行填充 | [ 3 1 4 1 5 9 2 6 5 ] → [ 3 3 3 1 4 4 4 3 3 3 1 4 4 4 3 3 3 1 4 4 4 1 1 1 5 9 9 9 2 2 2 6 5 5 5 2 2 2 6 5 5 5 2 2 2 6 5 5 5 ] \begin{bmatrix} 3 & 1 & 4 \\ 1 & 5 & 9 \\ 2&6&5 \end{bmatrix}\rightarrow \begin{bmatrix} 3&3&3&1&4&4&4\\3&3&3&1&4&4&4\\3&3&3&1&4&4&4\\1&1&1&5&9&9&9\\2&2&2&6&5&5&5\\2&2&2&6&5&5&5\\2&2&2&6&5&5&5 \end{bmatrix} ⎣⎡312156495⎦⎤→⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡3331222333122233312221115666444955544495554449555⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤ |
数据类型: | single
|double
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
|char
|string
|
NumChannels
— 每个过滤器 “自动”
(默认)的通道数|正整数每个滤波器的通道数,指定为或正整数。'auto'
此参数始终等于卷积层输入的通道数。例如,如果输入是彩色图像,则输入的通道数为 3。如果当前层之前的卷积层的滤波器数为 16,则当前层的通道数为 16。
如果是 ,则软件确定训练时的通道数。NumChannels``'auto'
例: 256
WeightsInitializer
— 用于初始化权重 “glorot”
(默认)|“他”
|“窄正常”
|“零”
|“一”
|函数句柄用于初始化权重的函数,指定为以下值之一:
'glorot'
– 使用 Glorot 初始值设定项 [4](也称为 Xavier 初始值设定项)初始化权重。Glorot 初始值设定项独立地从均值和方差为零的均匀分布中采样,其中 和 。2/(numIn + numOut)``numIn = FilterSize(1)*FilterSize(2)*NumChannels``numOut = FilterSize(1)*FilterSize(2)*NumFilters
'he'
– 使用 He 初始值设定项 [5] 初始化权重。He 初始值设定项从均值和方差为零的正态分布中采样,其中 .2/numIn``numIn = FilterSize(1)*FilterSize(2)*NumChannels
'narrow-normal'
– 通过从均值为零且标准差为 0.01 的正态分布中独立采样来初始化权重。'zeros'
– 用零初始化权重。'ones'
– 用 1 初始化权重。weights = func(sz)``sz
仅当属性为空时,该层才会初始化权重。Weights
数据类型: char``string
|function_handle
BiasInitializer
— 初始化偏差 “零”
(默认)|“窄正常”
|“一”
|函数句柄用于初始化偏差的函数,指定为以下项之一:
'zeros'
– 用零初始化偏差。'ones'
– 用 1 初始化偏差。'narrow-normal'
– 通过从均值为零且标准差为 0.01 的正态分布中独立采样来初始化偏差。bias = func(sz)``sz
仅当属性为空时,该层才会初始化偏差。Bias
数据类型: char``string
|function_handle
Weights
— 图层权重 []
(默认)|数字数组卷积层的层权重,指定为数字数组。
层权重是可学习的参数。您可以直接使用图层的属性指定权重的初始值。训练网络时,如果图层的属性为非空,则 trainNetwork
会使用该属性作为初始值。如果该属性为空,则使用由图层属性指定的初始值设定项。Weights``Weights``Weights``Weights``trainNetwork``WeightsInitializer
在训练时,是一个 -by-by-by-by- 数组。Weights``FilterSize(1)``FilterSize(2)``NumChannels``NumFilters
数据类型: single
|double
Bias
— 图层偏差 []
(默认)|数字数组卷积层的层偏差,指定为数字数组。
层偏差是可学习的参数。训练网络时,如果 为 非空,则 trainNetwork
使用该属性作为初始值。如果 为空,则使用 指定的初始值设定项。Bias``Bias``Bias``trainNetwork``BiasInitializer
在训练时,是一个 1 x 1 by 数组。Bias``NumFilters
数据类型: single
|double
WeightLearnRateFactor
— 权重 1 的学习速率因子``(默认)|非负标量权重的学习速率因子,指定为非负标量。
软件将此因子乘以全局学习速率,以确定该层中权重的学习速率。例如,如果 是 ,则此层中权重的学习速率是当前全局学习速率的两倍。该软件根据您使用 trainingOptions
函数指定的设置来确定全局学习率。WeightLearnRateFactor``2
数据类型: | single
|double
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
|char
|string
|
BiasLearnRateFactor
— 偏差 1 的学习速率因子``(默认值)|非负标量偏差的学习速率因子,指定为非负标量。
软件将此因子乘以全局学习速率,以确定该层中偏差的学习速率。例如,如果 是 ,则层中偏差的学习速率是当前全局学习速率的两倍。该软件根据您使用 trainingOptions
函数指定的设置来确定全局学习率。BiasLearnRateFactor``2
数据类型: | single
|double
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
|char
|string
|
WeightL2Factor
—L2权重的正则化因子 1(默认值)|非负标量L2权重的正则化因子,指定为非负标量。
该软件将此因子乘以全局L2正则化因子以确定L2此层中权重的正则化。例如,如果 是 ,则WeightL2Factor``2
L2此层中权重的正则化是全局的两倍L2正则化因子。您可以指定全局L2使用训练选项函数的
正则化因子。
数据类型: | single
|double
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
|char
|string
|
BiasL2Factor
—L2偏差的正则化因子 0
(默认值)|非负标量L2偏差的正则化因子,指定为非负标量。
该软件将此因子乘以全局L2正则化因子以确定L2此层中偏差的正则化。例如,如果 是 ,则BiasL2Factor``2
L2此层中偏差的正则化是全局的两倍L2正则化因子。您可以指定全局L2使用训练选项函数的
正则化因子。
数据类型: | single
|double
|int8
|int16
|int32
|int64
|uint8
|uint16
|uint32
|uint64
|char
|string
|
Name
— 图层名称 “”
(默认)|字符向量|字符串标量图层名称,指定为字符向量或字符串标量。对于 Layer
数组输入,trainNetwork
、assembleNetwork
、layerGraph
和 dlnetwork
函数会自动为 Name 设置为 '' 的
层分配名称
。
数据类型: char
|string
NumInputs
— 输入 数 1
(默认)此属性是只读的。
图层的输入数。此层仅接受单个输入。
数据类型:double
InputNames
— 输入名称 {'in'}
(默认)此属性是只读的。
输入图层的名称。此层仅接受单个输入。
数据类型:cell
NumOutputs
— 输出 数 1
(默认)此属性是只读的。
层的输出数。此层只有一个输出。
数据类型:double
OutputNames
— 输出名称 {'out'}
(默认值)此属性是只读的。
图层的输出名称。此层只有一个输出。
数据类型:cell
文章浏览阅读1k次。通过使用ajax方法跨域请求是浏览器所不允许的,浏览器出于安全考虑是禁止的。警告信息如下:不过jQuery对跨域问题也有解决方案,使用jsonp的方式解决,方法如下:$.ajax({ async:false, url: 'http://www.mysite.com/demo.do', // 跨域URL ty..._nginx不停的xhr
文章浏览阅读2k次。关于在 Oracle 中配置 extproc 以访问 ST_Geometry,也就是我们所说的 使用空间SQL 的方法,官方文档链接如下。http://desktop.arcgis.com/zh-cn/arcmap/latest/manage-data/gdbs-in-oracle/configure-oracle-extproc.htm其实简单总结一下,主要就分为以下几个步骤。..._extproc
文章浏览阅读1.5w次。linux下没有上面的两个函数,需要使用函数 mbstowcs和wcstombsmbstowcs将多字节编码转换为宽字节编码wcstombs将宽字节编码转换为多字节编码这两个函数,转换过程中受到系统编码类型的影响,需要通过设置来设定转换前和转换后的编码类型。通过函数setlocale进行系统编码的设置。linux下输入命名locale -a查看系统支持的编码_linux c++ gbk->utf8
文章浏览阅读750次。今天准备从生产库向测试库进行数据导入,结果在imp导入的时候遇到“ IMP-00009:导出文件异常结束” 错误,google一下,发现可能有如下原因导致imp的数据太大,没有写buffer和commit两个数据库字符集不同从低版本exp的dmp文件,向高版本imp导出的dmp文件出错传输dmp文件时,文件损坏解决办法:imp时指定..._imp-00009导出文件异常结束
文章浏览阅读143次。当下是一个大数据的时代,各个行业都离不开数据的支持。因此,网络爬虫就应运而生。网络爬虫当下最为火热的是Python,Python开发爬虫相对简单,而且功能库相当完善,力压众多开发语言。本次教程我们爬取前程无忧的招聘信息来分析Python程序员需要掌握那些编程技术。首先在谷歌浏览器打开前程无忧的首页,按F12打开浏览器的开发者工具。浏览器开发者工具是用于捕捉网站的请求信息,通过分析请求信息可以了解请..._初级python程序员能力要求
文章浏览阅读7.6k次,点赞2次,收藏6次。@Service标注的bean,类名:ABDemoService查看源码后发现,原来是经过一个特殊处理:当类的名字是以两个或以上的大写字母开头的话,bean的名字会与类名保持一致public class AnnotationBeanNameGenerator implements BeanNameGenerator { private static final String C..._@service beanname
文章浏览阅读6.9w次,点赞73次,收藏463次。1.前序创建#include<stdio.h>#include<string.h>#include<stdlib.h>#include<malloc.h>#include<iostream>#include<stack>#include<queue>using namespace std;typed_二叉树的建立
文章浏览阅读7.1k次。在Asp.net上使用Excel导出功能,如果文件名出现中文,便会以乱码视之。 解决方法: fileName = HttpUtility.UrlEncode(fileName, System.Text.Encoding.UTF8);_asp.net utf8 导出中文字符乱码
文章浏览阅读2.1k次,点赞4次,收藏23次。第一次实验 词法分析实验报告设计思想词法分析的主要任务是根据文法的词汇表以及对应约定的编码进行一定的识别,找出文件中所有的合法的单词,并给出一定的信息作为最后的结果,用于后续语法分析程序的使用;本实验针对 PL/0 语言 的文法、词汇表编写一个词法分析程序,对于每个单词根据词汇表输出: (单词种类, 单词的值) 二元对。词汇表:种别编码单词符号助记符0beginb..._对pl/0作以下修改扩充。增加单词
文章浏览阅读773次。我在使用adb.exe时遇到了麻烦.我想使用与bash相同的adb.exe shell提示符,所以我决定更改默认的bash二进制文件(当然二进制文件是交叉编译的,一切都很完美)更改bash二进制文件遵循以下顺序> adb remount> adb push bash / system / bin /> adb shell> cd / system / bin> chm..._adb shell mv 权限
文章浏览阅读6.8k次,点赞12次,收藏125次。1. 单目相机标定引言相机标定已经研究多年,标定的算法可以分为基于摄影测量的标定和自标定。其中,应用最为广泛的还是张正友标定法。这是一种简单灵活、高鲁棒性、低成本的相机标定算法。仅需要一台相机和一块平面标定板构建相机标定系统,在标定过程中,相机拍摄多个角度下(至少两个角度,推荐10~20个角度)的标定板图像(相机和标定板都可以移动),即可对相机的内外参数进行标定。下面介绍张氏标定法(以下也这么称呼)的原理。原理相机模型和单应矩阵相机标定,就是对相机的内外参数进行计算的过程,从而得到物体到图像的投影_相机-投影仪标定
文章浏览阅读2.2k次。文章目录Wayland 架构Wayland 渲染Wayland的 硬件支持简 述: 翻译一篇关于和 wayland 有关的技术文章, 其英文标题为Wayland Architecture .Wayland 架构若是想要更好的理解 Wayland 架构及其与 X (X11 or X Window System) 结构;一种很好的方法是将事件从输入设备就开始跟踪, 查看期间所有的屏幕上出现的变化。这就是我们现在对 X 的理解。 内核是从一个输入设备中获取一个事件,并通过 evdev 输入_wayland